Deformable Medical Image Registration with KAN-based Implicit Neural Representations

Imagina que tienes dos fotos de la misma habitación, pero una fue tomada desde un ángulo ligeramente diferente, o tal vez los muebles han sido reordenados. Tu cerebro sabe instantáneamente cómo "deslizar" y "estirar" mentalmente la segunda foto para que coincida perfectamente con la primera. Este truco mental se llama registro de imágenes, y en el mundo de la medicina, es un superpoder. Los médicos lo utilizan para alinear escaneos de los pulmones, el cerebro o el corazón de un paciente tomados en diferentes momentos o con diferentes máquinas. Si no pueden alinearlos perfectamente, no pueden saber si un tumor está creciendo, si el músculo cardíaco se está debilitando o si un tratamiento está funcionando.

Durante mucho tiempo, las computadoras intentaron hacer esto mediante la fuerza bruta, moviendo los píxeles uno por uno, lo cual era lento y laborioso. Luego, los científicos inventaron las "redes neuronales": cerebros informáticos que aprenden mirando miles de ejemplos. Estos nuevos computadores se volvieron increíblemente rápidos, pero tenían un inconveniente: necesitaban que se les alimentara con un enorme banquete de datos de entrenamiento. Si un médico tenía un tipo de escaneo raro o un órgano específico que no estaba en el banquete de entrenamiento, el cerebro de la computadora se confundía y cometía errores. Era como intentar enseñarle a un chef a cocinar un plato nuevo mostrándole solo recetas de pizza; le costaría preparar el sushi.

Este artículo presenta una nueva y astuta forma de enseñar a las computadoras cómo alinear imágenes médicas sin necesidad de una biblioteca masiva de ejemplos. En lugar de memorizar miles de imágenes, la computadora aprende a dibujar un mapa suave y continuo para solo las dos imágenes que está observando en ese momento. Piensa en esto como un maestro sastre que, en lugar de tener un armario lleno de trajes prefabricados, mide a un único cliente y corta un traje perfecto en el acto. Los investigadores utilizaron un nuevo tipo de herramienta matemática llamada Red Kolmogorov-Arnold (KAN). Mientras que los cerebros informáticos antiguos usan reglas fijas y rígidas (como una receta preestablecida), las KAN usan reglas "aprendibles" que pueden estirarse y doblarse, de forma muy similar a un trozo de arcilla, para adaptarse a la forma única de la anatomía del paciente.

El equipo, liderado por investigadores de la Universidad Estatal de Lomonósov de Moscú, construyó dos versiones de este nuevo sistema: KAN-IDIR y RandKAN-IDIR. Probaron estos sistemas en tres desafíos médicos muy diferentes: alinear escaneos de CT de pulmones (que se mueven mucho debido a la respiración), escaneos de RM de cerebro (que son muy detallados) y escaneos de RM de corazón (que laten y cambian de forma).

Esto es lo que encontraron. Los nuevos sistemas fueron increíblemente precisos, a menudo igualando o superando a los mejores métodos existentes. Pero la verdadera magia residía en cómo se comportaban. Los métodos antiguos que intentaban aprender desde cero para cada par de imágenes eran a veces "nerviosos": si empezabas con una configuración aleatoria ligeramente distinta (como lanzar los dados de forma diferente), el resultado cambiaba dramente. Los nuevos métodos basados en KAN eran sumamente sólidos; sin importar cómo se iniciaran, producían el mismo resultado de alta calidad. Esto es algo trascendental para la ciencia porque significa que los investigadores pueden confiar en los resultados sin preocuparse por un inicio afortunado o desafortunado.

Los investigadores también descubrieron una forma de hacer el sistema aún más rápido. Al elegir aleatoriamente algunos "bloques de construcción" para construir el mapa en lugar de usar cada uno de ellos, crearon RandKAN-IDIDR. Esta versión fue aproximadamente un 30% más rápida que la versión estándar (tomando unos 43 segundos en lugar de 63 segundos en un escaneo de pulmón) manteniendo la misma alta precisión. Es como darse cuenta de que no necesitas usar cada uno de los ladrillos de un almacén para construir un muro perfecto; una selección aleatoria e inteligente de los ladrillos adecuados funciona igual de bien y hace el trabajo más rápido.

El artículo argumenta explícitamente contra la idea de que se necesitan conjuntos de datos masivos para obtener buenos resultados. Demostraron que su método, que no necesita un "cerebro" preentrenado alimentado con miles de imágenes, funciona mejor que esos modelos de grandes datos para tareas específicas como el registro pulmonar. También descartaron una versión más compleja de su propia idea que intentaba "aprender" qué bloques de construcción usar sobre la marcha, encontrando que era demasiado lenta y que no mejoraba realmente los resultados en comparación con su enfoque aleatorio más simple.

En resumen, este artículo sugiere que, al usar "arcilla" matemática flexible (KANs) en lugar de recetas rígidas o enormes bancos de memoria, podemos alinear imágenes médicas de forma más rápida, más fiable y con menos potencia de cómputo. Los autores midieron estos resultados en conjuntos de datos del mundo real y encontraron que su método produce menos errores y menos partes "plegadas" o retorcidas en la imagen final, lo que lo convierte en una herramienta prometedora para médicos e investigadores que necesitan resultados precisos y reproducibles sin necesidad de una supercomputadora o una biblioteca de millones de escaneos.